CN116171962A - 一种植保无人机的高效对靶喷雾调控方法及系统 - Google Patents
一种植保无人机的高效对靶喷雾调控方法及系统 Download PDFInfo
- Publication number
- CN116171962A CN116171962A CN202310289981.5A CN202310289981A CN116171962A CN 116171962 A CN116171962 A CN 116171962A CN 202310289981 A CN202310289981 A CN 202310289981A CN 116171962 A CN116171962 A CN 116171962A
- Authority
- CN
- China
- Prior art keywords
- fruit tree
- aerial vehicle
- unmanned aerial
- canopy
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000007921 spray Substances 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000033228 biological regulation Effects 0.000 title claims abstract description 30
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 237
- 238000005507 spraying Methods 0.000 claims abstract description 74
- 239000002420 orchard Substances 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000008685 targeting Effects 0.000 claims abstract description 18
- 230000008021 deposition Effects 0.000 claims description 15
- 238000004380 ashing Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000000575 pesticide Substances 0.000 abstract description 10
- 238000012549 training Methods 0.000 description 6
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000447 pesticide residue Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0003—Atomisers or mist blowers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种植保无人机的高效对靶喷雾调控方法及系统，包括：获取植保无人机的工作过程中视频流信息，提取关键帧图像获取感兴趣区域；对果园场景中果树植株进行识别及冠层分割，生成果树冠层的图像边缘特征，并通过激光扫描获取果树冠层的激光轮廓特征；通过特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，获取靶标锚框中心点的三维坐标信息及喷雾高度，以确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾。本发明通过对果树植株冠层信息的精确识别进行变量施药，满足果园的喷药作业需求的同时提高作业效率，降低了农药在空中的雾滴流失量,减少了对环境的污染。
Description
技术领域
本发明涉及植物保护技术领域，更具体的，涉及一种植保无人机的高效对靶喷雾调控方法及系统。
背景技术
目前农林病虫害形势严峻，喷雾施药是当前果园防治病虫害的主要方式。传统作业方式往往造成农药利用率低、带来土壤中农药残留量超标等问题，不仅污染环境，而且威胁果农生命安全。为了有效减少农药使用量，提高药液利用率，对靶喷雾技术被广泛利用，对靶喷雾技术是智能植保的重要组成部分，满足了精确喷雾的要求，对减少农药使用量、降低作物农药残留、保护环境和劳动者具有重要意义。
在对靶喷雾状态下，喷雾方式由连续转变为间歇，喷头频繁开闭会影响冠层位置的雾滴分布，果园植保中由于果树冠层信息分布复杂，容易导致靶标识别有误，不合理的喷雾位置与喷雾量会造成农药在果树植株的非目标区域过多沉积，为实现对靶标果树植株的有效覆盖和提高对靶施药精度，减少药液浪费和生态污染，需要根据喷雾施药目标的有无、目标作物面积的大小、植保无人机速度的变化，实施对靶变量喷雾，从而解决对农作物更精确的喷施。因此，在植保无人机的场景下，如何实现果树植株靶标的精准识别，根据果树冠层信息进行变量施药，以减少雾滴飘移损失是亟不可待需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了一种植保无人机的高效对靶喷雾调控方法及系统。
本发明第一方面提供了一种植保无人机的高效对靶喷雾调控方法，包括：
获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域；
提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，并通过激光扫描获取果树冠层的激光轮廓特征；
将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，并获取靶标锚框中心点的三维坐标信息；
根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾；
获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径。
本方案中，获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域，具体为：
获取植保无人机在目标果园范围飞行过程中获取的原始视频流，将所述原始视频流进行解码分割，筛选含有植株的视频帧，将含有植株的视频帧作为关键帧图像；
将所述关键帧图像进行滤波去噪，根据边缘算法将背景进行分割，保留植株图像区域，将所述植株图像区域进行几何校正，生成感兴趣区域；
通过感兴趣区域的中植株图像的完整度进行精简，当植株图像的完整度小于预设值时，则在当前关键帧图像中进行滤除，在下一关键帧中进行拼接，实现冗余图像去除。
本方案中，提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，具体为：
将关键帧图像的感兴趣区域输入Faster-RCNN模型，在卷积神经网络中引入空洞特征金字塔，设置不同的空洞率对卷积核进行调整以改变感受野大小，获取感兴趣区域的多尺度特征图；
通过所述多尺度特征图获取关键帧图像的上下文信息，将同一尺度的特征图进行相加融合，并通过反向传播获取不同尺度特征图的权重信息，将感兴趣区域中的有用特征进行强化；
将不同尺度的特征图与所述权重信息相乘并相加，得到加权后特征图，导入RPN网络生成不同尺度的建议区域，并进行建议区域的锚框回归，对建议区域进行池化，通过全连接层识别果树植株，并确定果树植株冠层区域；
通过锚框回归获取建议区域锚框的位置偏移，获取果树植株冠层区域的锚框，根据锚框范围进行关键帧图像中果树植株冠层区域的分割，获取分割区域中果树冠层的图像轮廓特征。
本方案中，将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，具体为：
根据果树植株的识别确定果树植株的种植分布，将激光扫描采集与视频流采集设置相同采集周期，基于果树植株的种植分布利用激光扫描获取果树植株的点云数据，将所述点云数据进行杂点消除；
根据预处理后的点云数据提取果树植株冠层的点云轮廓点，通过所述点云轮廓点获取果树冠层的最大轮廓，获取激光轮廓特征，并根据植保无人机的飞行速度获取激光轮廓特征对应的特征融合权重；
根据获取的果树植株的图像边缘特征、激光轮廓特征以及激光轮廓特征对应的特征融合权重进行特征融合，确定果树植株冠层轮廓，生成果树冠层特征，并根据所述果树冠层轮廓生成外接锚框，生成靶标锚框。
本方案中，根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾，具体为：
根据靶标锚框在关键帧图像进行重新选取，将框选的图像区域进行灰化处理，将灰化处理后各像素点转化为在RGB三通道的随机向量，根据所述随机向量计算单个像素点的总信息熵；
获取框选图像区域中像素点的最大信息熵与最小信息熵的偏差，若信息熵偏差大于预设偏差阈值，则以两像素点为中心点按照预设信息熵差值进行邻域划分，根据邻域划分结果对框选图像区域进行分割；
通过植保无人机喷头的预设喷雾角度获取喷雾高度与沉积区域的相关性，根据果树植株冠层点云轮廓点获取最大轮廓点云的高度信息，通过框选图像区域的面积获取植保无人机的理想喷雾高度；
将所述最大轮廓点云的高度信息与所述理想喷雾高度相加获取植保无人机的喷雾高度，通过所述喷雾高度更新框选图像区域中心点或分割后各图像区域中心点对应点云三维坐标中的Z轴坐标，将更新后的三维坐标作为喷头位置；
将框选图像区域中所有像素点的总信息熵进行均值处理，获取平均信息熵作为喷雾量权重，根据所述喷雾量权重结合无人机喷头的喷雾流速获取喷雾流量。
本方案中，获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径，具体为：
获取目标果园区域内果树植株的种植分布，根据果树植株的历史监测信息获取果树轮廓并进行标记，生成含有种植分布标记的二维地图，通过A*算法获取植保无人机的静态路径规划；
根据所述静态路径规划对果树植株进行变量对靶喷雾，通过视频流捕捉获取含有果树植株及障碍物信息的关键帧信息，对果树植株的轮廓信息进行更新并对周围环境进行感知；
当环境感知到植保无人机与果树轮廓或障碍物发生碰撞时，进行局部动态路径规划进行避障，并返回所述静态路径规划继续飞行。
本发明第二方面还提供了一种植保无人机的高效对靶喷雾调控系统，该系统包括：存储器、处理器，所述存储器中包括一种植保无人机的高效对靶喷雾调控方法程序，所述一种植保无人机的高效对靶喷雾调控方法程序被所述处理器执行时实现如下步骤：
获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域；
提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，并通过激光扫描获取果树冠层的激光轮廓特征；
将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，并获取靶标锚框中心点的三维坐标信息；
根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾；
获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径。
本发明公开了一种植保无人机的高效对靶喷雾调控方法及系统，包括：获取植保无人机的工作过程中视频流信息，提取关键帧图像获取感兴趣区域；对果园场景中果树植株进行识别及冠层分割，生成果树冠层的图像边缘特征，并通过激光扫描获取果树冠层的激光轮廓特征；通过特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，获取深度图像得到靶标锚框中心点的三维坐标及喷雾高度，以确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾。本发明通过对果树植株冠层信息的精确识别进行变量施药，满足果园的喷药作业需求的同时提高作业效率，降低了农药在空中的雾滴流失量,减少了对环境的污染。
附图说明
图1示出了本发明一种植保无人机的高效对靶喷雾调控方法的流程图；
图2示出了本发明生成果树冠层的图像轮廓特征的方法流程图；
图3示出了本发明的进行果树植株的变量对靶喷雾方法流程图；
图4示出了本发明一种植保无人机的高效对靶喷雾调控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种植保无人机的高效对靶喷雾调控方法的流程图。
如图1所示，本发明第一方面提供了一种植保无人机的高效对靶喷雾调控方法，包括：
S102，获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域；
S104，提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，并通过激光扫描获取果树冠层的激光轮廓特征；
S106，将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，并获取靶标锚框中心点的三维坐标信息；
S108，根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾；
S110，获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径。
需要说明的是，获取植保无人机在目标果园范围飞行过程中获取的原始视频流，将所述原始视频流进行解码分割，筛选含有植株的视频帧，将含有植株的视频帧作为关键帧图像；将所述关键帧图像进行滤波去噪，根据边缘算法将背景进行分割，保留植株图像区域，将所述植株图像区域进行几何校正，生成感兴趣区域；通过感兴趣区域的中植株图像的完整度进行精简，当植株图像的完整度小于预设值时，例如当前关键帧图像中只包含某果树植株冠层的10%，则将该果树植株的10%冠层图像在当前关键帧图像中进行滤除，并将所述10%的冠层图像在下一相邻关键帧中进行拼接，实现冗余图像去除。
图2示出了本发明生成果树冠层的图像轮廓特征的方法流程图。
根据本发明实施例，提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，具体为：
S202，将关键帧图像的感兴趣区域输入Faster-RCNN模型，在卷积神经网络中引入空洞特征金字塔，设置不同的空洞率对卷积核进行调整以改变感受野大小，获取感兴趣区域的多尺度特征图；
S204，通过所述多尺度特征图获取关键帧图像的上下文信息，将同一尺度的特征图进行相加融合，并通过反向传播获取不同尺度特征图的权重信息，将感兴趣区域中的有用特征进行强化；
S206，将不同尺度的特征图与所述权重信息相乘并相加，得到加权后特征图，导入RPN网络生成不同尺度的建议区域，并进行建议区域的锚框回归，对建议区域进行池化，通过全连接层识别果树植株，并确定果树植株冠层区域；
S208，通过锚框回归获取建议区域锚框的位置偏移，获取果树植株冠层区域的锚框，根据锚框范围进行关键帧图像中果树植株冠层区域的分割，获取分割区域中果树冠层的图像轮廓特征。
需要说明的是，在果树植株的对靶喷雾作业中，快速获取图像的果树冠层区域时完成对靶喷雾作业的基础，利用大数据检索获取不同角度与距离下的果树植株图像信息，并通过图像旋转及图像拼接等方法进行数据增强，获取果树植株图像数据集，划分为训练数据及测试数据，利用所述训练数据对模型进行训练。获取模型输出的锚框与真实果树冠层区域锚框进行对比，判断模型的识别及锚框回归精度，通过空洞卷积特征金字塔替换Faster-RCNN原有的特征金字塔，使得网络的特征提取能力大大增强，所述空洞卷积特征金字塔使用残差网络进行连接，避免训练过程中的梯度的爆炸和梯度消失。
需要说明的是，根据果树植株的识别确定果树植株的种植分布，将激光扫描采集与视频流采集设置相同采集周期，基于果树植株的种植分布利用激光扫描获取果树植株的点云数据，将所述点云数据进行杂点消除；根据预处理后的点云数据提取果树植株冠层的点云轮廓点，优选的，基于α-shape算法进点云轮廓点的提取，通过所述点云轮廓点获取果树冠层的最大轮廓，获取激光轮廓特征，由于激光雷达获取的点云数据精度随着植保无人机的飞行速度增大而逐渐减小，因此根据植保无人机的飞行速度获取激光轮廓特征对应的特征融合权重，当飞行速度增大时，减少激光轮廓特征的特征融合比例；根据获取的果树植株的图像边缘特征、激光轮廓特征以及激光轮廓特征对应的特征融合权重进行特征融合，确定果树植株冠层轮廓，生成果树冠层特征，并根据所述果树冠层轮廓生成外接锚框，生成靶标锚框。
图3示出了本发明的进行果树植株的变量对靶喷雾方法流程图。
根据本发明实施例，根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾，具体为：
S302，根据靶标锚框在关键帧图像进行重新选取，将框选的图像区域进行灰化处理，将灰化处理后各像素点转化为在RGB三通道的随机向量，根据所述随机向量计算单个像素点的总信息熵；
S304，获取框选图像区域中像素点的最大信息熵与最小信息熵的偏差，若信息熵偏差大于预设偏差阈值，则以两像素点为中心点按照预设信息熵差值进行邻域划分，根据邻域划分结果对框选图像区域进行分割；
S306，通过植保无人机喷头的预设喷雾角度获取喷雾高度与沉积区域的相关性，根据果树植株冠层点云轮廓点获取最大轮廓点云的高度信息，通过框选图像区域的面积获取植保无人机的理想喷雾高度；
S308，将所述最大轮廓点云的高度信息与所述理想喷雾高度相加获取植保无人机的喷雾高度，通过所述喷雾高度更新框选图像区域中心点或分割后各图像区域中心点对应点云三维坐标中的Z轴坐标，将更新后的三维坐标作为喷头位置；
S310，将框选图像区域中所有像素点的总信息熵进行均值处理，获取平均信息熵作为喷雾量权重，根据所述喷雾量权重结合无人机喷头的喷雾流速获取喷雾流量。
需要说明的是，将灰化处理后各像素点转化为在RGB三通道的随机向量
，其中灰度范围为/>
，根据所述随机向量计算单个像素点的总信息熵/>
，计算公式为：/>
其中，
表示灰度范围取值，/>
表示图像大小，/>
表示R，G，B通道对应灰度在图像中出现的次数；
通过植保无人机喷头的预设喷雾角度获取喷雾高度与沉积区域的相关性，所述相关性表达式具体为：
，其中，/>
表示沉积区域，/>
表示重力及阻力系数，/>
表示喷头距离沉积区域平面的高度，/>
表示预设喷雾角度；
所述喷雾高度更新框选图像区域中心点或分割后各图像区域中心点对应点云三维坐标通过将激光雷达坐标系下的坐标进行坐标转换，转换到世界坐标系获取三维坐标模型，所述激光雷达模型Y 轴正向指向正前，X轴正向指向右，Z轴与XY平面垂直，构成右手系；
根据喷雾量权重结合无人机喷头的喷雾流速获取喷雾流量，具体为：
其中，/>
表示喷雾流量，/>
表示喷雾量权重，/>
表示喷头喷雾流速，/>
表示激光扫描采集周期。
需要说明的是，获取目标果园区域内果树植株的种植分布，根据果树植株的历史监测信息获取果树轮廓并进行标记，生成含有种植分布标记的二维地图，通过A*算法获取植保无人机的静态路径规划；根据所述静态路径规划对果树植株进行变量对靶喷雾，通过视频流捕捉获取含有果树植株及障碍物信息的关键帧信息，对果树植株的轮廓信息进行更新并对周围环境进行感知；当环境感知到植保无人机与果树轮廓或障碍物发生碰撞时，进行局部动态路径规划进行避障，并返回所述静态路径规划继续飞行。
当喷头位置存在障碍物时，根据局部动态路径规划获取避障路径，选取避障路径上的与喷头位置X轴坐标重合的飞行轨迹点，并所述飞行轨迹点的三维坐标信息；根据飞行轨迹点的三维坐标信息与框选图像区域中心点三维坐标获取Y轴方向及Z轴方向上的距离值，通过所述距离值计算两点之间的夹角，根据所述夹角设置喷头的倾斜角度；基于飞行轨迹点的三维坐标信息计算沉积区域，并根据所述倾斜角度确定斜喷后的沉积区域，根据斜喷后的沉积区域获取与框选图像区域的交集区域，计算交集区域的信息熵确定喷雾流量；判断框选图像区域的剩余偏差区域与相邻下一相邻帧的果树植株范围的距离是否小于预设距离阈值，若小于或等于，则归为下一相邻帧的果树植株范围，否则，则将该区域进行标记进行单独施喷。
图4示出了本发明一种植保无人机的高效对靶喷雾调控系统的框图。
本发明第二方面还提供了一种植保无人机的高效对靶喷雾调控系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种植保无人机的高效对靶喷雾调控方法程序，所述一种植保无人机的高效对靶喷雾调控方法程序被所述处理器执行时实现如下步骤：
获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域；
提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，并通过激光扫描获取果树冠层的激光轮廓特征；
将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，并获取靶标锚框中心点的三维坐标信息；
根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾；
获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径。
需要说明的是，获取植保无人机在目标果园范围飞行过程中获取的原始视频流，将所述原始视频流进行解码分割，筛选含有植株的视频帧，将含有植株的视频帧作为关键帧图像；将所述关键帧图像进行滤波去噪，根据边缘算法将背景进行分割，保留植株图像区域，将所述植株图像区域进行几何校正，生成感兴趣区域；通过感兴趣区域的中植株图像的完整度进行精简，当植株图像的完整度小于预设值时，例如当前关键帧图像中只包含某果树植株冠层的10%，则将该果树植株的10%冠层图像在当前关键帧图像中进行滤除，并将所述10%的冠层图像在下一相邻关键帧中进行拼接，实现冗余图像去除。
根据本发明实施例，提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，具体为：
将关键帧图像的感兴趣区域输入Faster-RCNN模型，在卷积神经网络中引入空洞特征金字塔，设置不同的空洞率对卷积核进行调整以改变感受野大小，获取感兴趣区域的多尺度特征图；
通过所述多尺度特征图获取关键帧图像的上下文信息，将同一尺度的特征图进行相加融合，并通过反向传播获取不同尺度特征图的权重信息，将感兴趣区域中的有用特征进行强化；
将不同尺度的特征图与所述权重信息相乘并相加，得到加权后特征图，导入RPN网络生成不同尺度的建议区域，并进行建议区域的锚框回归，对建议区域进行池化，通过全连接层识别果树植株，并确定果树植株冠层区域；
通过锚框回归获取建议区域锚框的位置偏移，获取果树植株冠层区域的锚框，根据锚框范围进行关键帧图像中果树植株冠层区域的分割，获取分割区域中果树冠层的图像轮廓特征。
需要说明的是，在果树植株的对靶喷雾作业中，快速获取图像的果树冠层区域时完成对靶喷雾作业的基础，利用大数据检索获取不同角度与距离下的果树植株图像信息，并通过图像旋转及图像拼接等方法进行数据增强，获取果树植株图像数据集，划分为训练数据及测试数据，利用所述训练数据对模型进行训练。获取模型输出的锚框与真实果树冠层区域锚框进行对比，判断模型的识别及锚框回归精度，通过空洞卷积特征金字塔替换Faster-RCNN原有的特征金字塔，使得网络的特征提取能力大大增强，所述空洞卷积特征金字塔使用残差网络进行连接，避免训练过程中的梯度的爆炸和梯度消失。
需要说明的是，根据果树植株的识别确定果树植株的种植分布，将激光扫描采集与视频流采集设置相同采集周期，基于果树植株的种植分布利用激光扫描获取果树植株的点云数据，将所述点云数据进行杂点消除；根据预处理后的点云数据提取果树植株冠层的点云轮廓点，优选的，基于α-shape算法进点云轮廓点的提取，通过所述点云轮廓点获取果树冠层的最大轮廓，获取激光轮廓特征，由于激光雷达获取的点云数据精度随着植保无人机的飞行速度增大而逐渐减小，因此根据植保无人机的飞行速度获取激光轮廓特征对应的特征融合权重，当飞行速度增大时，减少激光轮廓特征的特征融合比例；根据获取的果树植株的图像边缘特征、激光轮廓特征以及激光轮廓特征对应的特征融合权重进行特征融合，确定果树植株冠层轮廓，生成果树冠层特征，并根据所述果树冠层轮廓生成外接锚框，生成靶标锚框。
根据本发明实施例，根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾，具体为：
根据靶标锚框在关键帧图像进行重新选取，将框选的图像区域进行灰化处理，将灰化处理后各像素点转化为在RGB三通道的随机向量，根据所述随机向量计算单个像素点的总信息熵；
获取框选图像区域中像素点的最大信息熵与最小信息熵的偏差，若信息熵偏差大于预设偏差阈值，则以两像素点为中心点按照预设信息熵差值进行邻域划分，根据邻域划分结果对框选图像区域进行分割；
通过植保无人机喷头的预设喷雾角度获取喷雾高度与沉积区域的相关性，根据果树植株冠层点云轮廓点获取最大轮廓点云的高度信息，通过框选图像区域的面积获取植保无人机的理想喷雾高度；
将所述最大轮廓点云的高度信息与所述理想喷雾高度相加获取植保无人机的喷雾高度，通过所述喷雾高度更新框选图像区域中心点或分割后各图像区域中心点对应点云三维坐标中的Z轴坐标，将更新后的三维坐标作为喷头位置；
将框选图像区域中所有像素点的总信息熵进行均值处理，获取平均信息熵作为喷雾量权重，根据所述喷雾量权重结合无人机喷头的喷雾流速获取喷雾流量。
需要说明的是，将灰化处理后各像素点转化为在RGB三通道的随机向量
，其中灰度范围为/>
，根据所述随机向量计算单个像素点的总信息熵/>
，计算公式为：/>
其中，/>
表示灰度范围取值，/>
表示图像大小，/>
表示R，G，B通道对应灰度在图像中出现的次数；
通过植保无人机喷头的预设喷雾角度获取喷雾高度与沉积区域的相关性，所述相关性表达式具体为：
，其中，/>
表示沉积区域，/>
表示重力及阻力系数，/>
表示喷头距离沉积区域平面的高度，/>
表示预设喷雾角度；
所述喷雾高度更新框选图像区域中心点或分割后各图像区域中心点对应点云三维坐标通过将激光雷达坐标系下的坐标进行坐标转换，转换到世界坐标系获取三维坐标模型，所述激光雷达模型Y 轴正向指向正前，X轴正向指向右，Z轴与XY平面垂直，构成右手系；
根据喷雾量权重结合无人机喷头的喷雾流速获取喷雾流量，具体为：
其中，/>
表示喷雾流量，/>
表示喷雾量权重，/>
表示喷头喷雾流速，/>
表示激光扫描采集周期。
需要说明的是，获取目标果园区域内果树植株的种植分布，根据果树植株的历史监测信息获取果树轮廓并进行标记，生成含有种植分布标记的二维地图，通过A*算法获取植保无人机的静态路径规划；根据所述静态路径规划对果树植株进行变量对靶喷雾，通过视频流捕捉获取含有果树植株及障碍物信息的关键帧信息，对果树植株的轮廓信息进行更新并对周围环境进行感知；当环境感知到植保无人机与果树轮廓或障碍物发生碰撞时，进行局部动态路径规划进行避障，并返回所述静态路径规划继续飞行。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种植保无人机的高效对靶喷雾调控方法程序，所述一种植保无人机的高效对靶喷雾调控方法程序被处理器执行时，实现如上述任一项所述的一种植保无人机的高效对靶喷雾调控方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种植保无人机的高效对靶喷雾调控方法，其特征在于，包括以下步骤：
获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域；
提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，并通过激光扫描获取果树冠层的激光轮廓特征；
将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，并获取靶标锚框中心点的三维坐标信息；
根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾；
获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径。
2.根据权利要求1所述的一种植保无人机的高效对靶喷雾调控方法，其特征在于，获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域，具体为：
获取植保无人机在目标果园范围飞行过程中获取的原始视频流，将所述原始视频流进行解码分割，筛选含有植株的视频帧，将含有植株的视频帧作为关键帧图像；
将所述关键帧图像进行滤波去噪，根据边缘算法将背景进行分割，保留植株图像区域，将所述植株图像区域进行几何校正，生成感兴趣区域；
通过感兴趣区域的中植株图像的完整度进行精简，当植株图像的完整度小于预设值时，则在当前关键帧图像中进行滤除，在下一关键帧中进行拼接，实现冗余图像去除。
3.根据权利要求1所述的一种植保无人机的高效对靶喷雾调控方法，其特征在于，提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，具体为：
将关键帧图像的感兴趣区域输入Faster-RCNN模型，在卷积神经网络中引入空洞特征金字塔，设置不同的空洞率对卷积核进行调整以改变感受野大小，获取感兴趣区域的多尺度特征图；
通过所述多尺度特征图获取关键帧图像的上下文信息，将同一尺度的特征图进行相加融合，并通过反向传播获取不同尺度特征图的权重信息，将感兴趣区域中的有用特征进行强化；
将不同尺度的特征图与所述权重信息相乘并相加，得到加权后特征图，导入RPN网络生成不同尺度的建议区域，并进行建议区域的锚框回归，对建议区域进行池化，通过全连接层识别果树植株，并确定果树植株冠层区域；
通过锚框回归获取建议区域锚框的位置偏移，获取果树植株冠层区域的锚框，根据锚框范围进行关键帧图像中果树植株冠层区域的分割，获取分割区域中果树冠层的图像轮廓特征。
4.根据权利要求1所述的一种植保无人机的高效对靶喷雾调控方法，其特征在于，将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，具体为：
根据果树植株的识别确定果树植株的种植分布，将激光扫描采集与视频流采集设置相同采集周期，基于果树植株的种植分布利用激光扫描获取果树植株的点云数据，将所述点云数据进行杂点消除；
根据预处理后的点云数据提取果树植株冠层的点云轮廓点，通过所述点云轮廓点获取果树冠层的最大轮廓，获取激光轮廓特征，并根据植保无人机的飞行速度获取激光轮廓特征对应的特征融合权重；
根据获取的果树植株的图像边缘特征、激光轮廓特征以及激光轮廓特征对应的特征融合权重进行特征融合，确定果树植株冠层轮廓，生成果树冠层特征，并根据所述果树冠层轮廓生成外接锚框，生成靶标锚框。
5.根据权利要求1所述的一种植保无人机的高效对靶喷雾调控方法，其特征在于，根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾，具体为：
根据靶标锚框在关键帧图像进行重新选取，将框选的图像区域进行灰化处理，将灰化处理后各像素点转化为在RGB三通道的随机向量，根据所述随机向量计算单个像素点的总信息熵；
获取框选图像区域中像素点的最大信息熵与最小信息熵的偏差，若信息熵偏差大于预设偏差阈值，则以两像素点为中心点按照预设信息熵差值进行邻域划分，根据邻域划分结果对框选图像区域进行分割；
通过植保无人机喷头的预设喷雾角度获取喷雾高度与沉积区域的相关性，根据果树植株冠层点云轮廓点获取最大轮廓点云的高度信息，通过框选图像区域的面积获取植保无人机的理想喷雾高度；
将所述最大轮廓点云的高度信息与所述理想喷雾高度相加获取植保无人机的喷雾高度，通过所述喷雾高度更新框选图像区域中心点或分割后各图像区域中心点对应点云三维坐标中的Z轴坐标，将更新后的三维坐标作为喷头位置；
将框选图像区域中所有像素点的总信息熵进行均值处理，获取平均信息熵作为喷雾量权重，根据所述喷雾量权重结合无人机喷头的喷雾流速获取喷雾流量。
6.根据权利要求1所述的一种植保无人机的高效对靶喷雾调控方法，其特征在于，获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径，具体为：
获取目标果园区域内果树植株的种植分布，根据果树植株的历史监测信息获取果树轮廓并进行标记，生成含有种植分布标记的二维地图，通过A*算法获取植保无人机的静态路径规划；
根据所述静态路径规划对果树植株进行变量对靶喷雾，通过视频流捕捉获取含有果树植株及障碍物信息的关键帧信息，对果树植株的轮廓信息进行更新并对周围环境进行感知；
当环境感知到植保无人机与果树轮廓或障碍物发生碰撞时，进行局部动态路径规划进行避障，并返回所述静态路径规划继续飞行。
7.一种植保无人机的高效对靶喷雾调控系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种植保无人机的高效对靶喷雾调控方法程序，所述一种植保无人机的高效对靶喷雾调控方法程序被所述处理器执行时实现如下步骤：
获取植保无人机的工作过程中视频流信息，提取所述视频流信息中的关键帧图像，将关键帧图像进行预处理获取感兴趣区域；
提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，并通过激光扫描获取果树冠层的激光轮廓特征；
将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，并获取靶标锚框中心点的三维坐标信息；
根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾；
获取目标果园范围内果树植株及障碍物分布，在避障的前提下规划植保无人机的最佳喷雾路径。
8.根据权利要求7所述的一种植保无人机的高效对靶喷雾调控系统，其特征在于，提取所述感兴趣区域的多尺度特征，对果树植株进行识别，果园场景中果树植株的冠层进行分割，生成果树冠层的图像轮廓特征，具体为：
将关键帧图像的感兴趣区域输入Faster-RCNN模型，在卷积神经网络中引入空洞特征金字塔，设置不同的空洞率对卷积核进行调整以改变感受野大小，获取感兴趣区域的多尺度特征图；
通过所述多尺度特征图获取关键帧图像的上下文信息，将同一尺度的特征图进行相加融合，并通过反向传播获取不同尺度特征图的权重信息，将感兴趣区域中的有用特征进行强化；
将不同尺度的特征图与所述权重信息相乘并相加，得到加权后特征图，导入RPN网络生成不同尺度的建议区域，并进行建议区域的锚框回归，对建议区域进行池化，通过全连接层识别果树植株，并确定果树植株冠层区域；
通过锚框回归获取建议区域锚框的位置偏移，获取果树植株冠层区域的锚框，根据锚框范围进行关键帧图像中果树植株冠层区域的分割，获取分割区域中果树冠层的图像轮廓特征。
9.根据权利要求7所述的一种植保无人机的高效对靶喷雾调控系统，其特征在于，将果树冠层的图像轮廓特征与激光轮廓特征进行特征融合生成果树冠层特征，根据果树冠层特征确定靶标锚框，具体为：
根据果树植株的识别确定果树植株的种植分布，将激光扫描采集与视频流采集设置相同采集周期，基于果树植株的种植分布利用激光扫描获取果树植株的点云数据，将所述点云数据进行杂点消除；
根据预处理后的点云数据提取果树植株冠层的点云轮廓点，通过所述点云轮廓点获取果树冠层的最大轮廓，获取激光轮廓特征，并根据植保无人机的飞行速度获取激光轮廓特征对应的特征融合权重；
根据获取的果树植株的图像边缘特征、激光轮廓特征以及激光轮廓特征对应的特征融合权重进行特征融合，确定果树植株冠层轮廓，生成果树冠层特征，并根据所述果树冠层轮廓生成外接锚框，生成靶标锚框。
10.根据权利要求7所述的一种植保无人机的高效对靶喷雾调控系统，其特征在于，根据锚框中心点的三维坐标信息及喷雾高度确定植保无人机的喷头位置，并通过靶标锚框内冠层特征的丰富度控制喷雾流量，进行对果树植株的变量对靶喷雾，具体为：
根据靶标锚框在关键帧图像进行重新选取，将框选的图像区域进行灰化处理，将灰化处理后各像素点转化为在RGB三通道的随机向量，根据所述随机向量计算单个像素点的总信息熵；
获取框选图像区域中像素点的最大信息熵与最小信息熵的偏差，若信息熵偏差大于预设偏差阈值，则以两像素点为中心点按照预设信息熵差值进行邻域划分，根据邻域划分结果对框选图像区域进行分割；
通过植保无人机喷头的预设喷雾角度获取喷雾高度与沉积区域的相关性，根据果树植株冠层点云轮廓点获取最大轮廓点云的高度信息，通过框选图像区域的面积获取植保无人机的理想喷雾高度；
将所述最大轮廓点云的高度信息与所述理想喷雾高度相加获取植保无人机的喷雾高度，通过所述喷雾高度更新框选图像区域中心点或分割后各图像区域中心点对应点云三维坐标中的Z轴坐标，将更新后的三维坐标作为喷头位置；
将框选图像区域中所有像素点的总信息熵进行均值处理，获取平均信息熵作为喷雾量权重，根据所述喷雾量权重结合无人机喷头的喷雾流速获取喷雾流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310289981.5A CN116171962B (zh) | 2023-03-23 | 2023-03-23 | 一种植保无人机的高效对靶喷雾调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310289981.5A CN116171962B (zh) | 2023-03-23 | 2023-03-23 | 一种植保无人机的高效对靶喷雾调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116171962A true CN116171962A (zh) | 2023-05-30 |
| CN116171962B CN116171962B (zh) | 2024-03-08 |
Family
ID=86444440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310289981.5A Active CN116171962B (zh) | 2023-03-23 | 2023-03-23 | 一种植保无人机的高效对靶喷雾调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116171962B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19910892A1 (de) * | 1999-03-11 | 2000-09-14 | Linde Tech Gase Gmbh | Qualitätssicherung beim thermischen Spritzen mittels rechnerischer Überarbeitung oder Verfremdung digitaler Bilder |
| AU2013200386A1 (en) * | 2005-12-30 | 2013-02-21 | Innovation Institute Llc | An adjustable pet door |
| GB201901102D0 (en) * | 2019-01-28 | 2019-03-13 | Kompetenzetrum Das Virtuelle Fahrzeung Forschungsgesellschaft Mbh | Method and device for selective active and passive sensing in automated driving applications |
| CN209396051U (zh) * | 2019-01-15 | 2019-09-17 | 南京林业大学 | 一种无人机变量精确施药系统 |
| CN110250146A (zh) * | 2019-07-17 | 2019-09-20 | 中国农业大学 | 基于激光探测和图像处理技术的果树仿形喷雾机和方法 |
| CN111937835A (zh) * | 2020-07-10 | 2020-11-17 | 北京农业智能装备技术研究中心 | 基于超声传感的果园风袋式对靶喷雾机及方法 |
| AU2020103268A4 (en) * | 2020-04-17 | 2021-01-14 | Beijing Research Center Of Intelligent Equipment For Agriculture | Sprayer and use method thereof |
| AU2020103342A4 (en) * | 2020-11-10 | 2021-01-21 | K. Indira Devi | Design of self-supervisory target painting drone [sstpd] |
| CN112298564A (zh) * | 2020-10-19 | 2021-02-02 | 北京农业智能装备技术研究中心 | 基于图像识别的变量施药控制方法及装置 |
| US11037320B1 (en) * | 2016-03-01 | 2021-06-15 | AI Incorporated | Method for estimating distance using point measurement and color depth |
| CN113811184A (zh) * | 2019-02-28 | 2021-12-17 | 精密人工智能股份有限公司 | 用于田间处理和监控的系统和方法 |
| CN114303610A (zh) * | 2020-10-09 | 2022-04-12 | 迪尔公司 | 图生成和控制系统 |
| US20220122397A1 (en) * | 2019-01-03 | 2022-04-21 | Lucomm Technologies, Inc. | Robotic Post |
| CN114911234A (zh) * | 2022-05-10 | 2022-08-16 | 江苏大学 | 一种基于垂直施药结构的变量喷雾控制系统及其喷头流量独立控制方法 |
| CN115023295A (zh) * | 2020-01-27 | 2022-09-06 | 史蒂文·R·布赫 | 喷洒系统、套件、车辆和使用方法 |
| WO2023278009A1 (en) * | 2021-07-01 | 2023-01-05 | Raven Industries, Inc. | Sprayer nozzle monitor and control system and methods for same |
-
2023
- 2023-03-23 CN CN202310289981.5A patent/CN116171962B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19910892A1 (de) * | 1999-03-11 | 2000-09-14 | Linde Tech Gase Gmbh | Qualitätssicherung beim thermischen Spritzen mittels rechnerischer Überarbeitung oder Verfremdung digitaler Bilder |
| AU2013200386A1 (en) * | 2005-12-30 | 2013-02-21 | Innovation Institute Llc | An adjustable pet door |
| US11037320B1 (en) * | 2016-03-01 | 2021-06-15 | AI Incorporated | Method for estimating distance using point measurement and color depth |
| US20220122397A1 (en) * | 2019-01-03 | 2022-04-21 | Lucomm Technologies, Inc. | Robotic Post |
| CN209396051U (zh) * | 2019-01-15 | 2019-09-17 | 南京林业大学 | 一种无人机变量精确施药系统 |
| GB201901102D0 (en) * | 2019-01-28 | 2019-03-13 | Kompetenzetrum Das Virtuelle Fahrzeung Forschungsgesellschaft Mbh | Method and device for selective active and passive sensing in automated driving applications |
| CN113811184A (zh) * | 2019-02-28 | 2021-12-17 | 精密人工智能股份有限公司 | 用于田间处理和监控的系统和方法 |
| CN110250146A (zh) * | 2019-07-17 | 2019-09-20 | 中国农业大学 | 基于激光探测和图像处理技术的果树仿形喷雾机和方法 |
| CN115023295A (zh) * | 2020-01-27 | 2022-09-06 | 史蒂文·R·布赫 | 喷洒系统、套件、车辆和使用方法 |
| AU2020103268A4 (en) * | 2020-04-17 | 2021-01-14 | Beijing Research Center Of Intelligent Equipment For Agriculture | Sprayer and use method thereof |
| CN111937835A (zh) * | 2020-07-10 | 2020-11-17 | 北京农业智能装备技术研究中心 | 基于超声传感的果园风袋式对靶喷雾机及方法 |
| CN114303610A (zh) * | 2020-10-09 | 2022-04-12 | 迪尔公司 | 图生成和控制系统 |
| CN112298564A (zh) * | 2020-10-19 | 2021-02-02 | 北京农业智能装备技术研究中心 | 基于图像识别的变量施药控制方法及装置 |
| AU2020103342A4 (en) * | 2020-11-10 | 2021-01-21 | K. Indira Devi | Design of self-supervisory target painting drone [sstpd] |
| WO2023278009A1 (en) * | 2021-07-01 | 2023-01-05 | Raven Industries, Inc. | Sprayer nozzle monitor and control system and methods for same |
| CN114911234A (zh) * | 2022-05-10 | 2022-08-16 | 江苏大学 | 一种基于垂直施药结构的变量喷雾控制系统及其喷头流量独立控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| LI XIN-YU等: "Equations of two-phase flow in spray chamber", 中南大学学报：英文版, vol. 1, no. 1, pages 140 - 144 * |
| WANGZI1889: "信息熵在喷雾液滴尺寸分布计算中的应用", Retrieved from the Internet <URL:https://www.docin.com/p-433811317.html> * |
| WILLION A.SIRIGNANO: "Volume averaging for the analysis of turbulent spray flows", INTERNATIONAL JOURNAL OF MULTIPHASE FLOW, vol. 31, no. 6, pages 675 - 705 * |
| 周锦宏;陈华生;: "基于5G的工程智能监管系统构想", 数字通信世界, no. 12, pages 1 - 2 * |
| 肖珂;高冠东;马跃进;: "基于Kinect视频技术的葡萄园农药喷施路径规划算法", 农业工程学报, no. 24, pages 1 - 2 * |
| 陆碧秀;莫新媛;: "植保无人机水稻田间农药喷施的作业效果研究", 农业工程技术, no. 15, pages 20 - 23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116171962B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11030804B2 (en) | System and method of virtual plant field modelling | |
| CN110297483B (zh) | 待作业区域边界获取方法、装置，作业航线规划方法 | |
| CN106407880B (zh) | 使用图像处理的存量、生长和风险预测 | |
| CN113761999B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
| CN111213155A (zh) | 图像处理方法、设备、可移动平台、无人机及存储介质 | |
| Lin et al. | A multi-level morphological active contour algorithm for delineating tree crowns in mountainous forest | |
| CN109255302A (zh) | 目标物识别方法及终端、移动装置控制方法及终端 | |
| CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
| Zorzi et al. | Full-waveform airborne LiDAR data classification using convolutional neural networks | |
| CN108564650B (zh) | 基于车载2D LiDAR点云数据的行道树靶标识别方法 | |
| CN102324041B (zh) | 像素归类方法、关节体姿态识别方法及鼠标指令生成方法 | |
| CN110832494A (zh) | 一种语义生成方法、设备、飞行器及存储介质 | |
| CN112154447A (zh) | 地表特征识别方法、设备、无人机及计算机可读存储介质 | |
| CN110433467B (zh) | 基于双目视觉和蚁群算法的捡乒乓球机器人运行方法及设备 | |
| CN112818925A (zh) | 一种城市建筑和树冠识别方法 | |
| CN112180987B (zh) | 协同作业方法、系统、装置、计算机设备及存储介质 | |
| CN116171962B (zh) | 一种植保无人机的高效对靶喷雾调控方法及系统 | |
| CN116543322A (zh) | 一种基于社区安全隐患的物业智能巡检方法 | |
| CN114200527B (zh) | 一种基于倾斜摄影的无人机航磁测量方法及系统 | |
| CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
| Marin et al. | Individual Olive Tree Detection in RGB Images | |
| de Lima et al. | Air-ground collaborative localisation in forests using lidar canopy maps | |
| Zhang et al. | Automatic instance segmentation of orchard canopy in unmanned aerial vehicle imagery using deep learning | |
| CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
| CN112651986B (zh) | 环境识别方法、识别装置、识别系统、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |